跳到正文
10月8日 · 周四

全部论文

找到 7 篇
筛选3

攻击类型

越狱2提示注入2投毒与后门1模型篡改1

模型自身风险

拒答失当3

防御类型

模型加固3检测与过滤1指令与数据隔离1权限与审批3

影响

有害内容3越权操作2输出被操纵2

系统形态

模型与 API4AI Agent3

攻击者权限

白盒1

攻击面/入口

用户输入2网页与界面1文档与消息1工具返回2训练数据2权重与梯度2

层

模型层2应用层3训练与数据层2

系统组件

MCP 与技能2RAG1护栏与评审3监控器5权限与沙箱3微调与开源权重4视觉1多模态1

被测模型厂商

Qwen（阿里）22Google18OpenAI16Meta13DeepSeek10Anthropic10Kimi（月之暗面）7Mistral7其他17
同一类里任选其一，不同类之间同时满足；数字是加上其他已选条件后的篇数。另有 701 篇还没打标签，不在筛选结果里。
系统组件：权限与沙箱系统组件：微调与开源权重被测模型厂商：Mistral清除全部

另有 701 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 防御arXiv 2609.11757

    研究者披露 AP2 支付协议的 Whisper 提示注入攻击并提出 A-VIP 防御

    提出 Whisper 攻击与 A-VIP 绑定防御，约束智能体支付决策

    arXiv
    2609.11757
    发表
    层
    应用层
    场景
    AI Agent
    测试
    mistral-large、gemini-2.5-flash-lite、gemini-3.1-flash-lite 等 15 个

    摘要论文揭示了 AP2 协议决策层受操纵的风险，提出结构化与权能绑定防御 A-VIP，并发布评测基准。

    深度解读完整解读
  2. 防御arXiv 2608.08542

    SkillSafe-Bench：技能合并模型静态安全无法预测自适应越狱鲁棒性

    评测技能合并模型的自适应越狱鲁棒性，并提出子空间投影防御

    arXiv
    2608.08542
    发表
    层
    模型层
    场景
    模型与 API
    攻击者
    白盒
    测试
    Mistral-7B-Instruct-v0.3、Qwen2.5-7B-Instruct、Llama-3.1-8B-Instruct 等 6 个
    摘要论文报告了技能合并大模型在静态安全与自适应越狱间的脱节，提出了评测基准与无数据子空间投影修复方法。

    本研究针对开源语言模型技能合并过程中的安全评估盲区，系统评测并刻画了合并大模型在自适应越狱攻击下的脆弱性特征。

    深度解读完整解读
  4. 防御arXiv 2609.06934

    论文提出拒答的几何解释：事后安全训练脆弱，预训练期持续安全共训更抗攻击

    用权重几何解释事后安全脆弱，并提出预训练持续安全共训练

    arXiv
    2609.06934
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Mistral-7B-v0.3、Mistral-7B-Instruct-v0.3、Qwen-2.5-7B 等 15 个

    摘要论文将后验安全脆弱性归因于正交抑制，并提出通过预训练持续共训练实现具备微调抗性的安全防护。

    深度解读完整解读
  6. 防御arXiv 2609.28693

    skilder：以角色化技能包为工具型 LLM 智能体做访问控制

    提出 Skilder，用角色技能包和 MCP 路由硬拦截越权工具调用

    arXiv
    2609.28693
    发表
    层
    应用层
    场景
    AI Agent
    测试
    Ministral 3 14B、Claude Haiku 4.5、Qwen 3.5 122B 等 7 个
    摘要Skilder 用单 MCP 服务器按角色交付工具并硬拦截。

    Skilder 把企业工具型智能体的能力按角色打包，经一个 MCP 服务器做渐进发现，使工具范围由服务器而不是提示词来执行。

    深度解读完整解读
已经到底了